根据列值合并 2 个数据框

Question

您好，我有一个数据框，例如：

Df1

Groups   Names                          COLs  COLe
G1     ABC_DEF.1:2-300():Canis_lupus    2     300
G1     SEQUENCE1                        NA    NA
G1     SEQUENCE2                        NA    NA
G1     SEQUENCE3                        NA    NA
G1     ABC_DEF.1:400-600():Canis_lupus  400   600
G1     IJK_LMN.1:20-200():Bos_taurus    20    200
G2     OP_D:500-1000():Felis_catus      500   1000
G2     Sequence3                        NA    NA

和另一个df，例如：

df2

COL1       COL2       COL3 COL4 COL5 COL6 Species
ABC_DEF.1  SEQUENCE1  20   80   A    1    Canis_lupus
ABC_DEF.1  SEQUENCE2  500  548  C    3    Canis_lupus
QKC_DEF.2  SEQUENCE2  500  548  Z    O    Canis_lupus
ABC_DEF.1  SEQUENCE4  520  800  T    9    Canis_lupus
IJK_LMN.1  SEQUENCE1  10   18   D    4    Bos_taurus
AQK_LM9.1  SEQUENCE1  10   18   P    5    Bos_taurus
IJK_LMN.1  SEQUENCE1  30   50   U    0    Bos_taurus
IJK_LMN.1  SEQUENCE3  30   176  E    5    Bos_taurus
OP_D       SEQUENCE3  600  700  F    6    Felis_catus
OP_D       SEQUENCE1  539  878  G    7    Felis_catus
OP_S       SEQUENCE4  20   78   H    8    Felis_catus

这个想法是创建一个新的df，它将在所有数据帧之间合并

这是预期的结果

Groups Names                            COL2        COL3 COL4 COL5 COL6
G1     ABC_DEF.1:2-300():Canis_lupus   SEQUENCE1   20   80   A    1
G1     ABC_DEF.1:400-600():Canis_lupus SEQUENCE2   500  548  B    2
G1     IJK_LMN.1:20-200():Bos_taurus   SEQUENCE1   30   50   U    0
G1     IJK_LMN.1:20-200():Bos_taurus   SEQUENCE3   30   176  E    5
G2     OP_D:500-1000():Felis_catus     SEQUENCE3   600  700  F    6

这个想法是解析Df1中的每个Groups 我们以G1 为例：

ABC_DEF.1:2-300():Canis_lupus 在df2 中，

如果我有与Names 中存在的元素相对应的COL2，我会查看df：

我有 SEQUENCE1 和 SEQUENCE2 属于同一组：

那么如果COL3 和COL4 在COLs - Cole 之间（这里是2-300），

所以 SEQUENCE1 是 20-80 然后我将该行添加到新的 df 中：

Groups Names                            COL2        COL3 COL4 COL5 COL6
G1     ABC_DEF.1:2-300():Canis_lupus   SEQUENCE1   20   80   A    1

SEQUENCE2 是500-548 所以它在2-300之上

然后我对G1 中的第二个名字感兴趣：ABC_DEF.1:400-600():Canis_lupus

还有SEQUENCE1 和SEQUENCE2 但这里只有SEQUENCE2 在400-600 范围内所以我只添加这个

Groups Names                            COL2        COL3 COL4 COL5 COL6
G1     ABC_DEF.1:2-300():Canis_lupus   SEQUENCE1   20   80   A    1
G1     ABC_DEF.1:400-600():Canis_lupus SEQUENCE2   500  548  B    2

现在IJK_LMN.1:20-200():Bos_taurus，我到了df2

SEQUENCE1对应并在20-200范围内

Groups Names                            COL2        COL3 COL4 COL5 COL6
G1     ABC_DEF.1:2-300():Canis_lupus   SEQUENCE1   20   80   A    1
G1     ABC_DEF.1:400-600():Canis_lupus SEQUENCE2   500  548  B    2
G1     IJK_LMN.1:20-200():Bos_taurus   SEQUENCE1   30   50   U    0

等

有人对 pandas 和 python 有想法吗？

我想我们应该使用合并和拆分名称来获得每个部分：

例如：

ABC_DEF.1:2-300():Canis_lupus 

必须拆分为：

1. ABC_DEF.1（第一个 : 之前的所有内容）
2. Canis_lupus（最后一个 : 之后的部分）

Answer 1

首先，您应该考虑采取以下步骤：

1 - 从df1 中删除仅包含 SEQUENCE1、SEQUENCE2 等的行。据我了解，它们不提供服务，因为没有范围和具体名称。 2-从列Names中删除第一个“：”之后的所有内容

然后，您可以执行以下操作：

3 - 使用 pandas.merge 合并两个数据框：

df_merged = pd.merge(df1,df2, how = 'inner', left_on = 'Name', right_on = 'COL1')

4 - 根据您在 COLs 和 COLe 之间陈述的关于 COL3 和 COL4 的条件过滤掉生成的数据框。

当您像这样进行内部连接时，您将得到重复的结果，因为 COL1 具有多个 COL2 值（序列）。因此，您可以轻松地按您想要的条件过滤出正确的结果。

您可以在此处查看更多关于 SQL 与 pandas 的比较：

https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_sql.html

如果我的回答有帮助，请告诉我。